基于主题与深度变分模型的可解释假新闻检测
计算与语言
2022-09-07 v1
摘要
社会对于社交媒体和用户生成新闻与信息的依赖日益增长，这增加了不可靠来源与虚假内容的影响，混淆公共话语并削弱对媒体的信任。验证此类信息的可信度是一项困难任务，易受确认偏误影响，从而催生了用于区分假新闻与真实新闻的算法技术。然而，大多数现有方法难以解释，致使难以建立对预测的信任，且做出了许多现实场景中不切实际的假设，例如音视频特征或出处的可用性。本工作中，我们聚焦于利用可解释特征与方法来检测文本内容的假新闻。具体而言，我们开发了一种深度概率模型，将使用变分自编码器与双向长短期记忆（LSTM）网络得到的文本新闻稠密表示，与从贝叶斯混合模型推断出的语义主题相关特征相融合。在3个真实世界数据集上的大量实验研究表明，我们的模型在性能上可与最先进竞争模型相媲美，同时能从学习到的主题促进模型可解释性。最后，我们进行了模型消融研究，从定量（通过评估性能）与定性（通过低维嵌入中的可分离性）两方面论证了融合神经嵌入与主题特征的有效性与准确性。
引用
@article{arxiv.2209.01536,
title = {Interpretable Fake News Detection with Topic and Deep Variational Models},
author = {Marjan Hosseini and Alireza Javadian Sabet and Suining He and Derek Aguiar},
journal= {arXiv preprint arXiv:2209.01536},
year = {2022}
}